В России создали нейросеть, предсказывающую свойства нефти и сокращающую время добычи.
В России создали нейросеть, предсказывающую поведение нефти с высокой точностью, она сократит время добычи и сэкономит бюджет
Российские ученые разработали нейронную сеть и ИТ-систему машинного обучения, которая предсказывает межфазное натяжение между нефтью и соленой водой. Это экономит месяцы экспериментов и позволяет добывать нефть эффективнее, отмечают эксперты. Модель с технологией искусственного интеллекта позволит моделировать нефтяные пласты без дорогостоящих экспериментов, заранее подбирать оптимальную соленость закачиваемой воды и состав растворенных газов.
Создание ИИ-модели
В Московском физико-технический институте (МФТИ) создали модель, предсказывающую поведение нефти с высокой точностью, об этом CNews сообщили представители учебного заведения. Отечественная разработка существенно ускорит процесс поиска и добычи нефти.
Существующие теории в апреле 2026 г. предсказывают изменение межфазного натяжения в составах нефти с погрешностью до 40%. Ученые МФТИ совместно с коллегами из Тюменского нефтяного научного центра разработали новую модель с технологией искусственного интеллекта (ИИ), которая позволяет прогнозировать это изменение с точностью до 90%.
По своей сути, горная порода нефтяного пласта пронизана множеством микроскопических пор, внутри которых одновременно находятся нефть и вода. Соотношение этих двух жидкостей в поровом пространстве во многом определяется величиной межфазного натяжения - силой, действующей на границе раздела двух несмешивающихся жидкостей и удерживающей их от смешения, подобно тонкой пленке. Именно значение межфазного натяжения напрямую влияет на ключевые показатели добычи: скорость извлечения нефти; конечный коэффициент нефтеотдачи пласта; эффективность и выбор оптимального метода повышения нефтеотдачи. Таким образом, точное прогнозирование межфазного натяжения является критически важным для эффективного планирования и оптимизации процессов добычи нефти.
"Для эффективной добычи нефти необходимо значительное время на подбор оптимальной солености закачиваемой воды и учет состава попутного газа для каждого конкретного месторождения. Разработанная нами ИИ-модель позволяет существенно ускорить этот процесс", - пояснил CNews исполнительный директор Центра вычислительной физики МФТИ Николай Кондратюк.
По словам разработчиков, при создании гидродинамических моделей фильтрации очень важно корректно описывать физику поверхностных эффектов. Созданная же ИИ-модель дает возможность с высокой точностью предсказывать свойства нефти даже в пластовых условиях, воспроизвести которые в лабораторной среде крайне сложно или невозможно. Это позволит существенно сократить время и затраты на подбор оптимальных параметров закачиваемой воды и реагентов для повышения нефтеотдачи пластов.
Обучение и настройка
Разработанная ИИ-модель включает 17 типичных углеводородов, наиболее часто встречающихся в нефти российских месторождений - от легких алканов до тяжелых асфальтенов. С помощью методов молекулярной динамики российские ученые провели масштабные расчеты, варьируя ключевые параметры: температуру, давление, содержание растворенных газов в нефти и солей в воде. Такой значительный объем вычислений стал возможен благодаря использованию мощностей ведущих суперкомпьютерных комплексов России.
Общее время моделирования на суперкомпьютерах МФТИ и Объединенного института высоких температур Российской академии наук (РАН) составило 10 микросекунд, что потребовало выполнения пяти миллиардов шагов интегрирования.
Полученные результаты позволяют с высокой точностью прогнозировать межфазное натяжение в различных термобарических условиях, характерных для реальных нефтяных пластов.
На основе полученных данных ученые обучили ИИ-модель с высокой точностью воспроизводить значения межфазного натяжения. Средняя абсолютная процентная ошибка новой ИИ-модели составляет всего 0,9 % по сравнению с результатами расчетов методом молекулярной динамики. Это позволило существенно повысить точность параметризации моделирования процессов в масштабе порового пространства в программном комплексе "РН-Цифровой керн" т.е. это комплексный подход, основанный на получении, упорядоченном хранении и компьютерной обработке цифровых образов кернов и флюидов.
Разработанное ИТ-решение значительно ускоряет проведение вычислительных экспериментов и повышает достоверность прогнозов при моделировании процессов добычи нефти. Особенно актуальна ИИ-модель для технологий закачки углекислого газа в пласт, где точное знание натяжения критически важно для прогноза вытеснения нефти.
Тестирование и корректировка
Старший научный сотрудник Центра вычислительной физики МФТИ Илья Копаничук сообщил CNews, что первые прототипы разработанной ИИ-модели в 2026 г. уже успешно прошли испытания. Ученые проверили свою ИИ-модель на экспериментальных данных для нефти марки "Аген" и получили надежное совпадение результатов.
"В ближайшее время мы планируем адаптировать ИИ-модель для работы с тяжелыми типами нефти, а также провести исследования поведения жидкостей в тончайших наноразмерных менисках внутри горных пород", - добавил он.
Такие исследования позволят значительно расширить область применения нейронной сети и повысить точность прогнозирования свойств нефти в сложных геологических условиях.